Buchumschlag

Uncertainty quantification by direct propagation of shallow ensembles

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kellner, Matthias, Ceriotti, Michele
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How to Train a Shallow Ensemble
von: Schäfer, Moritz, et al.
Veröffentlicht: (2026)

Errors that matter: Uncertainty-aware universal machine-learning potentials calibrated on experiments
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

Prediction rigidities for data-driven chemistry
von: Chong, Sanggyu, et al.
Veröffentlicht: (2024)

Quantum-corrected NMR crystallography at scale
von: Kellner, Matthias, et al.
Veröffentlicht: (2026)

A deep learning model for chemical shieldings in molecular organic solids including anisotropy
von: Kellner, Matthias, et al.
Veröffentlicht: (2025)

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning
von: Musil, Felix, et al.
Veröffentlicht: (2018)

A universal machine learning model for the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2025)

Atom-Density Representations for Machine Learning
von: Willatt, Michael J., et al.
Veröffentlicht: (2018)

The dark side of the forces: assessing non-conservative force models for atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2024)

PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Learning the action for long-time-step simulations of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Probing the effects of broken symmetries in machine learning
von: Langer, Marcel F., et al.
Veröffentlicht: (2024)

Representing spherical tensors with scalar-based machine-learning models
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

FlashMD: long-stride, universal prediction of molecular dynamics
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Learning Long-Range Representations with Equivariant Messages
von: Rumiantsev, Egor, et al.
Veröffentlicht: (2025)

Metatensor and metatomic: foundational libraries for interoperable atomistic machine learning
von: Bigi, Filippo, et al.
Veröffentlicht: (2025)

Mechanistic study of mixed lithium halides solid state electrolytes
von: Tisi, Davide, et al.
Veröffentlicht: (2025)

Pushing the limits of unconstrained machine-learned interatomic potentials
von: Bigi, Filippo, et al.
Veröffentlicht: (2026)

Path Integral Methods in Atomistic Modelling: An Introduction
von: Ceriotti, Michele, et al.
Veröffentlicht: (2026)

Bayesian Neural Networks versus deep ensembles for uncertainty quantification in machine learning interatomic potentials
von: Farris, Riccardo, et al.
Veröffentlicht: (2025)

Resolving the Body-Order Paradox of Machine Learning Interatomic Potentials
von: Chong, Sanggyu, et al.
Veröffentlicht: (2025)

Smooth, exact rotational symmetrization for deep learning on point clouds
von: Pozdnyakov, Sergey N., et al.
Veröffentlicht: (2023)

Simultaneous Learning of Static and Dynamic Charges
von: Stärk, Philipp, et al.
Veröffentlicht: (2026)

A Transferable Machine-Learning Model of the Electron Density
von: Grisafi, Andrea, et al.
Veröffentlicht: (2018)

Completeness of Atomic Structure Representations
von: Nigam, Jigyasa, et al.
Veröffentlicht: (2023)

Accurate molecular polarizabilities with coupled-cluster theory and machine learning
von: Wilkins, David M., et al.
Veröffentlicht: (2018)

Adaptive energy reference for machine-learning models of the electronic density of states
von: How, Wei Bin, et al.
Veröffentlicht: (2024)

Modeling the structural and thermal properties of loaded metal-organic frameworks. An interplay of quantum and anharmonic fluctuations
von: Kapil, Venkat, et al.
Veröffentlicht: (2019)

Exploring the design space of machine-learning models for quantum chemistry with a fully differentiable framework
von: Suman, Divya, et al.
Veröffentlicht: (2025)

i-PI 3.0: a flexible and efficient framework for advanced atomistic simulations
von: Litman, Yair, et al.
Veröffentlicht: (2024)

Ab initio thermodynamics of liquid and solid water
von: Cheng, Bingqing, et al.
Veröffentlicht: (2018)

Fast and flexible long-range models for atomistic machine learning
von: Loche, Philip, et al.
Veröffentlicht: (2024)

How unconstrained machine-learning models learn physical symmetries
von: Domina, Michelangelo, et al.
Veröffentlicht: (2026)

Massive Atomic Diversity: a compact universal dataset for atomistic machine learning
von: Mazitov, Arslan, et al.
Veröffentlicht: (2025)

Robustness of Local Predictions in Atomistic Machine Learning Models
von: Chong, Sanggyu, et al.
Veröffentlicht: (2023)

scicode-widgets: Bringing Computational Experiments to the Classroom with Jupyter Widgets
von: Goscinski, Alexander, et al.
Veröffentlicht: (2025)

High-quality, high-information datasets for universal atomistic machine learning
von: Malosso, Cesare, et al.
Veröffentlicht: (2026)

Comparing the latent features of universal machine-learning interatomic potentials
von: Chorna, Sofiia, et al.
Veröffentlicht: (2025)

State-specific density functionals for excited states from ensembles
von: Gould, Tim, et al.
Veröffentlicht: (2024)

Polynomial propagators for classical molecular dynamics
von: Kondov, Ivan
Veröffentlicht: (2023)